ISSN 0798 1015

HOME Revista ÍNDICES / Index A LOS AUTORES / To the

ESPACIOS ! ! AUTHORS !

Vol. 39 (Nº 32) Año 2018 • Pág. 6

Tecnologías de Inteligencia de
Negocios y Minería de datos para el
análisis de la producción y
comercialización de cacao
Business Intelligence and Data Mining Technologies for the
analysis of cocoa production and commercialization
Bertha MAZÓN-Olivo 1; Marcia JARAMILLO-Paredes 2; Oscar ROMERO-Hidalgo 3; Amarilis BORJA-
Herrera 4; Martha AGUIRRE-Benalcazar 5; María CONTENTO-Segarra 6

Recibido: 27/02/2018 • Aprobado: 20/04/2018

Contenido
1. Introducción
2. Metodología
3. Resultados
4. Conclusiones
Referencias bibliográficas

RESUMEN:
El propósito de este trabajo es identificar los
indicadores clave de rendimiento (KPI) de producción
y comercialización de una empresa de cacao; la
metodología CRISP-DM se utilizó para orientar el
desarrollo e implementación de un tablero de control
(dashboard) de análisis de datos y apoyo a la decisión
a través de tecnologías de inteligencia de negocios
(BI) y minería de datos (DM). Los resultados más
significativos son un dashboard BI-DM con interfaz
web que accede a un dataware house, visualiza
información estadística, detecta patrones de datos y
predice el rendimiento y ventas de la cosecha de
cacao mediante series temporales, método de Holt-
Winters con un R2>0.9.
Palabras-Clave: cacao, comercialización, dashboard,
inteligencia de negocios, minería de datos, producción
ABSTRACT:
The purpose of this paper is to identify the key
performance indicators (KPI) of production and
commercialization of a cocoa company; the CRISP-DM
methodology was used to guide the development and
implementation of a dashboard for data analysis and
decision support through business intelligence (BI)
and data mining (DM) technologies. The most
significant results are a dashboard BI-DM with web
interface that accesses a dataware house, visualizes
statistical information, detects data patterns and
predicts the yield and sales of the cocoa crop through
time series, Holt-Winters method with R2> 0.9.
Keywords: business intelligence, cocoa,
commercialization, dashboard, data mining,
production

1. Introducción
En la actualidad las empresas de cacao se han convertido en principales motores de la
economía en varios países; Shavez, Ahmad, Jan, & Bashir (2017) mencionan, que la
demanda de este producto aumenta a nivel mundial, en este sentido en Sudamérica según
la International Cocoa Organization (2017) es una de las principales regiones productoras de
cacao. En el Ecuador, específicamente en la provincia de El Oro, existen varias
organizaciones que se dedican a esta actividad desde hace varios años, según los reportes
del Instituto Nacional de Estadística y Censos (2014); empresas que con el paso del tiempo
y los cambios tecnológicos, se han visto en la necesidad de implementar mejoras, no sólo en
el ámbito operativo, sino también en el manejo de la información.
Para analizar la información que puede ser clave en una empresa cacaotera, es necesario
comprender el proceso de producción de cacao. Torres (2012) describe las siguientes fases:
selección y preparación del suelo, siembra, riego, fertilización, control de plagas y malezas,
poda, cosecha, quiebra, fermentación, secado, limpieza, selección del grano y
almacenamiento; sin embargo, Utomo et al. (2016), destacan que los procesos efectuados,
pueden variar y depender del lugar de producción del cacao.
Este trabajo se llevó a cabo en la empresa Agrisolsa S.A. radicada en el cantón Machala-
Ecuador; su objeto social es la producción y comercialización de cacao. Esta empresa
registra a diario múltiples transacciones en las que parcialmente se detallan cuentas
inherentes a su actividad principal. Obtener información a partir de los datos en bruto de
procesos operativos, puede ser útil para diagnosticar problemas, detectar patrones o
identificar tendencias o simplemente generar ventajas frente a la competencia. En este
sentido, Nguyen et al. (2017) explican que las diferentes fases productivas y de
comercialización de cualquier empresa, generan grandes volúmenes de datos; si estos datos
se procesan para obtener información organizada y presentada a la persona indicada en el
momento oportuno, pueden ofrecer beneficios económicos a las organizaciones.
El objetivo de este artículo es identificar los indicadores clave de rendimiento (KPI) de
producción y comercialización de una empresa de cacao, a través de herramientas y técnicas
de Inteligencia de Negocios y Minería de Datos (Power BI, PostgreSQL, Open Talend Studio,
y el lenguaje de programación R + librerías Shiny) para el apoyo a las decisiones. Se utilizó
la metodología Cross Industry Standard Process for Data Mining (CRISP-DM) para el análisis,
diseño e implementación un tablero de control (dashboard BI-DM), con interfaz web,
mediante herramientas de inteligencia de negocios y minería de datos como: visualiza
información estadística relevante del estado actual de la organización, detecta patrones y
predice tendencias.

1.1. Trabajos relacionados de Inteligencia de Negocio y

Minería de datos
En toda empresa la información es importante para tomar decisiones y establecer rutas a
seguir, es sinónimo de comprender su propia realidad y poder actuar a tiempo . Según
Stuart et al. (2017), si la información está correctamente procesada y analizada, se
constituye un factor estratégico para la toma de decisiones. En este contexto aparece la
Inteligencia de Negocios (BI: Business Intelligence), como parte de una estrategia
empresarial, que actúa como una tecnología relevante para mejorar el tratamiento de la
información (Rosado G. & Rico B., 2010).
Curto Díaz (2017) señala que BI abarca metodologías, prácticas, y aplicaciones enfocadas a
la creación, análisis y gestión de la información, que involucra identificar cuáles son aquellos
indicadores claves que permiten medir el progreso de una organización. Por otra parte
Lakew et al. (2017) argumenta que BI incide en los resultados transcendentales de la
empresa, como alertas que permiten prevenir y actuar antes de que ocurran los problemas.
Los llamados datos históricos de la empresa, han provocado el desarrollen nuevas
herramientas o soluciones que mejoran la gestión de la información, como lo menciona
Gandhi & Armstrong (2016).
Como una disciplina complementaria a la Inteligencia de Negocios para el análisis de datos,
se encuentra la Minería de Datos (DM: Data Mining). DM se encuentra inmersa como una
fase del proceso de descubrimiento de información en bases de datos (KDD: Knowledge
Discovery in Databases). KDD es una metodología que agrupa procesos no comunes de
identificación de patrones válidos, novedosos, potencialmente útiles y finalmente
comprensibles (Gorbea & Madera, 2017). DM se fundamenta en la Estadística, la Matemática
y las Ciencias Computacionales; comprende una serie de técnicas para explorar grandes
volúmenes de información, describir y/o diagnosticar patrones, identificar relaciones y
clasificar, y predecir tendencias que pueden ocurrir a futuro en una organización (Hazen,
Boone, Ezell, & Jones-Farmer, 2014; Niether et al., 2017). La minería de datos se encarga
del proceso exploratorio y de análisis de información, a través de medios automáticos o
semiautomáticos; e involucra técnicas para visualizar/describir patrones ocultos en datos
(segmentación, reglas de asociación, secuencia de patrones, análisis de correlaciones y
distribuciones, entre otras) o para identificar tendencias que sirven para predecir
comportamientos futuros (regresiones, series temporales, arboles de decisiones, redes
neuronales, etc.) (National Academi of Science, 2017; Provost & Fawcett, 2013; Sivarajah,
2017).
González, Lorés, & Granollers (2008) recomiendan que, antes de escoger un modelo o
técnica de minería de datos se debe tener muy en claro el objetivo y direccionamiento de la
investigación.

2. Metodología
La metodología CRISP-DM es utilizada debido al enfoque y tipo de investigación. Es un ciclo
de vida, similar a los de ingeniería de software, creada para proyectos de análisis de datos,
con la diferencia que presenta un proceso más normalizado y racionalizado (Macas, Lagla,
Fuertes, Guerrero, & Toulkeridis, 2017). A continuación se describe cada fase de la
metodología aplicada.

2.1. Comprensión del Negocio

Agrisolsa S.A. se dedica a la producción y comercialización de cacao seco y en lata; cuenta
con dos predios: “Don Chago” ubicado el cantón el Guabo y “El Dorado” en el cantón
Arenillas, ambos pertenecientes a la provincia de El Oro – Ecuador; los predios tienen un
total de 11 y 21 hectáreas respectivamente. Esta empresa almacena su información en
sistemas transaccionales, hojas de cálculo y agendas, lo que dificulta el acceso,
presentación, administración y análisis de forma oportuna; los directivos están preocupados
porque en los últimos años no han obtenido resultados favorables de su actividad
económica. Es importante mencionar, que los datos de sus transacciones diarias son
almacenados almacenan en archivos o bases de datos, pero no siempre brindan
información necesaria, lo que genera, en muchas ocasiones, posibles errores en la toma de
decisiones. Debido a estos problemas surge la necesidad de crear un sistema que permita
tener un control de la información de sus procesos; a fin de detectar fallas a tiempo para
plantear acciones preventivas, correctivas y predictivas que puedan contribuir con el
desarrollo empresarial.
En la Tabla 1, se aprecian las etapas que forman parte de los procesos de producción y
comercialización de la empresa objeto de estudio, que se obtuvieron en base a preguntas
del negocio aplicadas a los directivos de mandos tácticos y estratégicos.

Tabla 1
KPIs y su relación con preguntas del negocio

Etapas Indicadores Preguntas de negocio

¿Cuántas hectáreas sembradas tienen cada predio organizado

Número de hectáreas por años?
sembradas
¿Cuál es el número hectáreas sembradas por variedad?

Número de plantas ¿Cuál es el número de plantas sembradas por predio y

Siembra sembradas variedad?
 ¿En qué predio se empleó mayores costos para la siembra por
variedad de cacao que se sembró?
Costos de siembra
¿Cuáles son los costos indirectos, materia prima y mano de obra
en el proceso de siembra de cacao por años?

Número de quintales ¿Cuantos quintales de cacao fueron cosechados por años?

Número de especie ¿Cuál es la variedad de cacao que más se ha cosechado por año
cosechadas y semestre?

Cosecha
¿Cuáles son los costos indirectos y mano de obra en proceso de
Costos de cosecha
cosecha de cacao por años?

Porcentaje de plantas no ¿Cuál es el porcentaje de plantas no productoras por años y por

productoras predios?

¿Cuántos quintales de cacao seco resultaron en la fase de pos

Número de quintales
cosecha por años?

¿Cuántos quintales de cacao resultaron del proceso de

Número de latas
fermentación por predio, año y semestre?
Post-cosecha
Promedio de ¿Cuál es promedio de temperatura que ha obtenido el cacao en
temperatura el proceso de fermentación por años, semestre y por predios?

¿Cuáles son los costos indirectos y mano de obra en el proceso

Costos de post-cosecha
de pos-cosecha de cacao por años?

¿Cuál es el costo total de mantenimiento por predio, tipo de

Costo Total
control y año?

¿Cuánto es el gasto total por compra de materiales y

Mantenimiento Costo de Materiales herramientas para el control de cultivo por predio, por año y por
tipo de control?

¿Cuánto es el gasto total por mano de obra, por predio, por mes
Costo Mano de Obra
entre los dos últimos años?

¿Cuántos quintales de cacao seco se vendieron por año y por

Número de quintales
predio?

Ventas ¿Cuántas latas de cacao en baba se vendieron por año y por

Número de latas
predio?

Total de ventas ¿Cuál es el total en ventas de cacao seco y en baba por años?

Se exploró a fondo todas las áreas relacionadas con el problema a solucionar para recolectar
los datos necesarios que alimentan un data warehouse, mismos que fueron obtenidos a
partir de hojas de cálculo y la base de datos de la empresa. Las preguntas del negocio
sirvieron para determinar indicadores clave de rendimiento (KPI: Key Performance Indicator)
agrupados por perspectivas o dimensiones. Las dimensiones ayudan a organizar y examinar
los KPI.
Para identificar los KPIs de los procesos de producción y comercialización de cacao, se
revisaron varios estudios empíricos y aportes científicos; los trabajos realizados por
Lawrence (2003) aporta con fórmulas para el proceso de ventas; Loor Veloz & Espinoza
Lema (2012) describen como un indicador el porcentaje de plantas no productoras; a través
de la investigación de Franklin E. (2007) se concretó información sobre el cacao rechazado,
para el promedio de cajas elaboradas por trabajador; Reyes E. (2008) presentan indicadores
sobre el nivel de plántulas no adaptadas, el porcentaje de efectividad de la cosecha y
promedio de mazorcas por saco. En la Tabla 2, se resumen tanto los indicadores propuestos
por la comunidad científica como los propuestos por nuestro equipo de trabajo; indicadores
que se identificaron analizando los procesos y la data de la organización y la información
recabada mediante entrevistas y diálogos con los directivos de mandos tácticos y
estratégicos.

Tabla 2
KPIs de los procesos de producción y comercialización de cacao

2.2. Comprensión del Negocio

En la Figura 1 se representan el esquema datos que se implementó en el gestor de base de
datos PostgreSql. Las dimensiones (rectángulos con prefijo dim_) y tablas de hechos
(rectángulos con prefijo th_) forman parte de los data marts del data warehouse que sirve
de repositorio para la aplicación web de analítica de datos (dashboard BI-DM). El diagrama
está representado en el modelo de estructura de tipo constelación debido a que se
encuentran acoplados los datamarts, conformando el data warehouse final.

Figura 1
Diseño del Data Warehouse
2.3. Preparación de los datos
Esta fase es una de las de mayor trabajo, porque los datos brutos (sin procesar) pasan por
un proceso de extracción, transformación y carga (ETL) (Astriani & Trisminingsih, 2016) o
pre-procesamiento (Provost & Fawcett, 2013); por ejemplo: limpieza o corrección de datos
erróneos, eliminación de registros incompletos, atribución de nuevos valores a faltantes,
creación de nuevos campos como rangos en datos numéricos, etc. Todos estos cambios son
necesarios y se deben realizar con mucho cuidado para una migración exitosa al data
warehouse, teniendo como origen los datos fuentes transaccionales de la empresa. El
proceso ETL y el pre-procesamiento de datos, en nuestro caso se realizó en las herramientas
Talend y R respectivamente. La creación de vistas por data mart a nivel del data warehouse,
facilitan las consultas desde las aplicaciones de analítica de datos.

2.4. Arquitectura del sistema BI y DM

La Figura 2, representa la arquitectura de la solución de análisis de datos implementada
mediante tecnologías de inteligencia de negocios y minería de datos. A continuación se
describen las capas de la arquitectura: 1) La capa de fuente de datos proporciona los
insumos (datos brutos) sin procesar, 2) mediante ETL y técnicas de pre-procesamiento se
cargan los datos a la capa de almacenamiento. 3) en la capa de almacenamiento se ubica el
repositorio de data histórica (data warehouse) organizado por temas (data marts) que sirve
para analítica. 4) la capa de visualización y analítica representada por la aplicación web tipo
tablero de control, implementa las distintas técnicas de BI y DM, y accede a la capa de
almacenamiento a través de cubos de Procesamiento Analítico en Línea (MDX-OLAP:
Multidimensional Expressions - Online Analytical Processing) y sentencias expresadas en
lenguaje estructurado de consultas (SQL). La implementación del componente BI en tablero
de control se efectuó mediante la herramienta Power BI.

Figura 2
Arquitectura del Data Warehouse
2.5. Modelo de minería de datos
Se aplicaron modelos descriptivos de minería de datos con el fin de explorar, clasificar y
analizar información de cada fase de la producción de cacao. Las técnicas descriptivas
visualizan la información estadística mediante diagramas de barras, de cajas, histogramas,
estadísticos básicos, etc., para una mayor comprensión del negocio.
Los modelos predictivos empleados son las series temporales y de regresión para
pronosticar tendencias (valores futuros) del rendimiento de la cosecha de cacao e ingresos
por ventas.
El lenguaje R fue la herramienta seleccionada para programar los algoritmos de las técnicas
de minería de datos y el framework Shiny se utilizó para crear la aplicación web que integra
el dashboard BI-DM.

Descripción de las variables

Para los modelos de predicción de las ventas, Se utilizó datos de ventas mensuales a partir
del año 2014 hasta el mes de julio del año 2017; estos valores fueron empleados para
predecir las ventas de los próximos meses y años. A continuación se expresan las variables
utilizadas:
Variable dependiente (Y) = Total en ventas ($)
Variable independiente (X) = mes-año
Para los modelo de predicción del rendimiento de la cosecha se obtuvieron los valores de la
fórmula de rendimiento en quintales a partir del año 2010; información que se empleó para
predecir el rendimiento de los próximos meses y años.
Variable dependiente (Y) = Rendimiento (quintales)
Variable independiente (X) = mes-año
Modelado y pronóstico de tendencia de ventas y rendimiento de la cosecha
Una de las técnicas empleadas son las series temporales, usada para secuenciar los datos
(variable Y) y ordenarlos de manera cronológica (variable X). El modelo multiplicativo
estacional de Holt-Winters se utilizó para suavizar la serie de tiempo, debido a su fácil
adaptación a medida que los datos aumentan y a los repentinos cambios de tendencia
(Tratar & Strmčnik, 2016). Por otro lado, los modelos de regresión, pueden ser alternativas
viables de predicción. En la tabla 3 se visualizan los modelos elegidos y que deben ser
probados para ver si son óptimos (López, 2012).

Tabla 3
Posibles modelos de regresión

Fuente: Elaboración propia

Según Abreu et al. (2016), para determinar si un modelo es óptimo, se considera el

coeficiente de determinación R2, que indica la proporción de variación de la variable
dependiente (Y) explicada por la variable independiente (X); y además, el valor de p (p-
value) representa el nivel de significación del modelo, al menos debe ser p<0.05; es decir,
un margen de error del 5% y un nivel de significancia del 95% (Keat & Young, 2004).

3. Resultados
En primera instancia se presenta la evidencia de la aplicación web dashboard BI-DM
desarrollado y luego se describen los resultados de los modelos de minería de datos.
En la Figura 3, se muestra el interfaz del dashboard BI-DM, donde se presentan los datos
generales de la empresa objeto de estudio. En la primera sección de la gráfica se muestra
un conjunto de medidores acerca del total de ventas en latas y quintales, el total de
hectáreas sembradas y el porcentaje de plantas no productoras. En la segunda sección se
diseñó gráficos de áreas apiladas (stacked area chart) con el objetivo de representar el total
de costo y la utilidad bruta de la empresa; estos resultados fueron organizados por predio y
los años respectivos en los que fueron cultivados.
En la Figura 5, se proporciona información del proceso de cosecha como la cantidad de
cacao recogido, mediante un gráfico de columnas apilado (Stacked column chart); además,
se proporciona ítems al lado izquierdo para filtrar por año y/o predio. Uno de los indicadores
hace referencia al costo de mano de obra y costos indirectos empleados para el proceso de
cosecha, como se observa en el gráfico de barras apilado (Stacked bar chart).

Figura 3
Dashboard BI-DM que presenta datos generales de la empresa
 -----

Figura 4
Dashboard del proceso de cosecha

En la tabla 4 se detallan los valores de R2 y P de cada uno de los modelos predictivos de

regresiones y serie temporal.
 Tabla 4
Valor de R2 y p para cada modelo de predicción

Fuente: Datos obtenidos de la herramienta R.

A través de los coeficientes obtenidos de R y P-value se pudo construir la ecuación

matemática del modelo de series temporales que presentan valores de 0.9369 para el
rendimiento de cosecha y 0.9999 en caso del proceso de ventas, estos valores se
encuentran en un nivel de ponderación óptimo.
La figura 5 presenta los parámetros estadísticos para un modelo de regresión cúbica y
calculada en la herramienta R.

Figura 5
Coeficientes de la regresión y R2 de ventas

Obteniendo como resultado la siguiente la ecuación:

Sin embargo, el modelo predictivo de series temporales fue escogido tanto para el proceso
de ventas y rendimiento de cosecha, esto se debe a que presentan valores de R2 y P-value
en un nivel aceptable; por otro lado, el modelo de regresión polinómico de tercer orden para
ventas presenta un valor de 0.8492, es decir que se encuentra en la categoría de aceptable,
siendo también una alternativa de predicción.
Los modelos de regresión del rendimiento de la cosecha presentados en la tabla 4 fueron
graficados por medio de la herramienta R y son mostrados las Figuras 6 y 7.

Figura 6
Modelos de regresión para predicción del rendimiento de cosecha
 -----

Figura 7
Modelos de regresión para predicción de ventas

En las Figuras 8 y 9, se representan las series temporales tanto para el rendimiento de la

cosecha (R2=0.9369) como para las ventas (R2=0.9999); los datos reales de la empresa
(línea color azul), el modelo residual (línea color negro) y la predicción (línea color verde)
representan los modelos de predicción basado en los datos históricos. Como se puede
apreciar, la línea de tendencia sigue un patrón que predice valores no es muy alentadores
para la empresa; justamente este patrón puede servir para que los propietarios o directivos
tomen los correctivos adecuados.

Figura 8
Modelo de serie temporal aplicado para predecir el rendimiento de las cosechas
 -----

Figura 9
Modelo de temporales aplicada en el proceso para predecir las ventas

Discusión. Varios aportes de la comunidad científica relacionados con la inteligencia de

negocios y minería de datos fueron revisados. Un dashboard de soporte de decisiones para
análisis de datos de los procesos de una empresa minera proponen (Mazon-Olivo et al.,
2017). El caso de (Reuter & Brambring, 2016) emplea técnicas de minería de datos
(métodos Bayesianos y de árboles de decisión) para conseguir un aumento de la
consistencia en los controles de producción de empresas manufactureras. Otro caso es el
trabajo de (Erkollar & Oberer, 2016), presentan un modelo scorecard y de dashboard
basado en KPIs, métricas y marcos de tiempo para la visualización de datos. El trabajo de
(Ng, Bandaru, & Frantzen, 2016) consiste en mejorar los sistema de producción con técnicas
de optimización multi-objetivo y minería de datos. Muchos autores han realizado aportes en
el análisis de datos, creando o aplicando técnicas de BI y DM; incluso se han concentrado
en mejorar los procesos productivos y de comercialización; sin embargo, en el ámbito la
producción de cacao no se evidencian mayores aportes en la identificación de KPIs y
aplicación de tecnologías de BI y DM para describir la situación del negocio y predecir
tendencias futuras; información que puede ser útil para tomar decisiones. Una empresa bien
informada de su propia realidad, tiene ventajas frente a la competencia.

4. Conclusiones
La inteligencia de negocios y minería de datos, incluyen técnicas que permiten analizar los
datos históricos de una organización, en busca de información útil que describa la situación
pasada o actual del negocio, o prediga tendencias futuras que generen ventajas frente a la
competencia. Este trabajo consistió, en la identificación de los KIPs de los procesos de
producción y comercialización para una empresa de cacao (caso Agrisolsa S.A); la
metodología CRISP-DM, sirvió para guiar el desarrollar de un tablero de control (dashboard
BI-DM) con interfaz web, que accede a un dataware house, visualiza información estadística,
detecta patrones de datos y predice el rendimiento y ventas de la cosecha mediante series
temporales y el método de Holt-Winters con un R2>0.9.

Referencias bibliográficas
Abreu, A., Abreu, J., Iglesias, R., & Navarro, I. (2016). Interfaz gráfica en matlab para el
cálculo de criterios de bondad de ajuste. Revista Ingeniería, Matemáticas Y Ciencias de La
Información, 13–21.
Astriani, W., & Trisminingsih, R. (2016). Extraction, Transformation, and Loading (ETL)
Module for Hotspot Spatial Data Warehouse Using Geokettle. Procedia Environmental
Sciences, 33, 626–634. http://doi.org/10.1016/j.proenv.2016.03.117
Curto Díaz, J. (2017). Introducción al Business Intelligence (Universita). Barcelona. España.
Erkollar, A., & Oberer, B. (2016). Multidimensional Dashboards for Evaluating Strategic brand
Management Processes for Multi-brand Companies. Procedia - Social and Behavioral
Sciences, 235(October), 505–513. http://doi.org/10.1016/j.sbspro.2016.11.062
Franklin, E. (2007). Auditoria administrativa: Gestión estratégica del cambio. (Universidad
Nacional Autónoma de México, Ed.). México: PEARSON.
Gandhi, N., & Armstrong, L. J. (2016). A review of the application of data mining techniques
for decision making in agriculture. 2016 2nd International Conference on Contemporary
Computing and Informatics, 1–6. http://doi.org/10.1109/IC3I.2016.7917925
González, M. P., Lorés, J., & Granollers, A. (2008). Enhancing usability testing through
datamining techniques: A novel approach to detecting usability problem patterns for a
context of use. Information and Software Technology, 50(6), 547–568.
http://doi.org/10.1016/j.infsof.2007.06.001
Gorbea, S., & Madera, M. (2017). Diseño de un data warehouse para medir el desarrollo
disciplinar en instituciones académicas. Investigacion Bibliotecologica, 31(72), 161–181.
http://doi.org/10.22201/iibi.0187358xp.2017.72.57828
Hazen, B. T., Boone, C. A., Ezell, J. D., & Jones-Farmer, L. A. (2014). Data quality for data
science, predictive analytics, and big data in supply chain management: An introduction to
the problem and suggestions for research and applications. Int. J. Production Economics
Journal, 154, 72–80. http://doi.org/10.1016/j.ijpe.2014.04.018
ICCO. (2017). Press release-quaterly bulletin of cocoa statistics. Retrieved February 28,
2018, from https://www.icco.org/about-us/icco-news/380-quarterly-bulletin-of-cocoa-
statistics-november-2017.html
INEC. (2014). Análisis del sector cacao y elaborados. Retrieved February 28, 2018, from
http://www.ecuadorencifras.gob.ec/estadisticas-sectoriales/
Keat, P., & Young, P. (2004). Economía de empresa. México: Pearson Educación.
Lakew, E., Papadopoulos, A., Maggio, M., Klein, C., & Elmroth, E. (2017). KPI-Agnostic
Control for Fine-Grained Vertical Elasticity. IEEE/ACM International Symposium on Cluster,
Cloud and Grid Computing, 17(978-1-5090-6610–0), 589–598.
http://doi.org/10.1109/CCGRID.2017.71
Lawrence, J. G. (2003). Principios de administración financiera. México: PEARSON.
Loor, K., & Espinoza, P. (2012). Diseño de un sistema de control de procesos de producción y
comercialización para una empresa productora de banano ubicada en la provincia de los ríos.
ESPOL. Retrieved from http://www.dspace.espol.edu.ec/xmlui/handle/123456789/38826
López, A. (2012). Regresión Lineal y No Lineal en Contexto. EAE.
Macas, M., Lagla, L., Fuertes, W., Guerrero, G., & Toulkeridis, T. (2017). Data Mining model
in the discovery of trends and patterns of intruder attacks on the data network as a public-
sector innovation. IEEE, 55–62. http://doi.org/10.1109/ICEDEG.2017.7962513
Mazon-Olivo, B., Rivas, W., Pinta, M., Mosquera, A., Astudillo, L., & Gallegos, H. (2017).
Dashboard para el soporte de decisiones en una empresa del sector minero. Conference
Proceedings - Universidad Técnica de Machala, 1, 1218–1229. Retrieved from
http://investigacion.utmachala.edu.ec/proceedings/index.php/utmach/article/view/219/191
National Academi of Science. (2017). Overview of Data Science Methods. In Strengthening
Data Science Methods for Department of Defense Personnel and Readiness Missions (pp. 53–
79). The National Academies Press. http://doi.org/10.17226/23670
Ng, A., Bandaru, S., & Frantzen, M. (2016). Innovative Design and Analysis of Production
Systems by Multi-objective Optimization and Data Mining. Procedia CIRP, 50, 665–671.
http://doi.org/10.1016/j.procir.2016.04.159
Nguyen, P. M., Haghverdi, A., de Pue, J., Botula, Y. D., Le, K. V., Waegeman, W., & Cornelis,
W. M. (2017). Comparison of statistical regression and data-mining techniques in estimating
soil water retention of tropical delta soils. Biosystems Engineering, 153, 12–27.
http://doi.org/10.1016/j.biosystemseng.2016.10.013
Niether, W., Schneidewind, U., Armengot, L., Adamtey, N., Schneider, M., & Gerold, G.
(2017). Spatial-temporal soil moisture dynamics under different cocoa production systems.
Catena, 158, 340–349. http://doi.org/10.1016/j.catena.2017.07.011
Provost, F., & Fawcett, T. (2013). Data Science for Business. What you need to know about
Data Mining and Data-Analytic thinking. O’Reilly Media.
Reuter, C., & Brambring, F. (2016). Improving Data Consistency in Production Control.
Procedia CIRP, 41, 51–56. http://doi.org/10.1016/j.procir.2015.12.116
Reyes, E. (2008). Contabilidad de costes. México: LIMUSA.
Rosado G., A. A., & Rico B., D. W. (2010). Inteligencia de Negocios: Estado del Arte. Scientia
Et Technica, XVI, 321–326. Retrieved from http://www.redalyc.org/articulo.oa?
id=84917316060
Shavez, M., Ahmad, S., Jan, K., & Bashir, K. (2017). Status, supply chain and processing of
cocoa - A review. ScienceDirect, 66, 108–116.
http://doi.org/https://doi.org/10.1016/j.tifs.2017.06.007
Sivarajah, U. et al. (2017). Critical analysis of Big Data challenges and analytical methods.
Journal of Business Research, 70, 263–286. http://doi.org/10.1016/J.JBUSRES.2016.08.001
Stuart, M. L., Menéndez, D., Martínez, Y., Cordero, A., & Delgado, T. (2017). Experiencia en
el diagnóstico de la Gestión de Información con enfoque de Arquitectura de Información
Empresarial (Experience in the Diagnostic of Information Management with a Business
Information Architecture Approach). GECONTEC: Revista Internacional de Gestión Del
Conocimiento Y La Tecnología, 5(1), 1–16.
Torres, L. A. (2012). Manual de producción de cacao fino de aroma a través de manejo
ecológico. Universidad de Cuenca. Retrieved from
http://dspace.ucuenca.edu.ec/bitstream/123456789/3250/1/TESIS.pdf
Tratar, L., & Strmčnik, E. (2016). The comparison of Holt–Winters method and Multiple
regression method: A case study. In Energy (pp. 266–276).
Utomo, B., Prawoto, A. A., Bonnet, S., Bangviwat, A., & Gheewala, S. H. (2016).
Environmental performance of cocoa production from monoculture and agroforestry systems
in Indonesia. ScienceDirect, 134, 583–591. http://doi.org/10.1016/j.jclepro.2015.08.102

1. Ingeniera en Sistemas. Magíster en Informática Aplicada. Profesora en la Unidad Académica de Ingeniería Civil,
Universidad Técnica de Machala. bmazon@utmachala.edu.ec
2. Ingeniera en Banca y Finanzas. Magíster en Administración de Empresas. Profesora en la Universidad Técnica de
Machala. mjaramillo@utmachala.edu.ec
3. Magíster en Dirección de Empresas. Doctor en Ciencias Administrativas. Universidad Nacional Mayor de San
Marcos. Profesor en la Universidad Técnica de Machala. oromero@utmachala.edu.ec
4. Ingeniera Comercial. Doctora en Ciencias Contables y Empresariales. Universidad Nacional Mayor de San Marcos.
Vicerrectora Académica de la Universidad Técnica de Machala. lborja@utmachala.edu.ec
5. Economista. Máster en Administración de Empresas. Doctora en Ciencias Administrativas. Universidad Nacional
Mayor de San Marcos. Sub-decana de la Unidad Académica de Ciencias Empresariales de la Universidad Técnica de
Machala. maguirre@utmachala.edu.ec
6. Miembro del semillero de investigación de la carrera de Ingeniería de Sistemas. Unidad Académica de Ingeniería
Civil, Universidad Técnica de Machala. mjcontento_est@utmachala.edu.ec

Revista ESPACIOS. ISSN 0798 1015

Vol. 39 (Nº 32) Año 2018

[Índice]
[En caso de encontrar un error en esta página notificar a webmaster]

©2018. revistaESPACIOS.com • ®Derechos Reservados